Manejo de Bases de Datos

Marco de datos

Para trabajar con bases de datos en R se pueden construir o cargar al software. En cualquier caso, la idea es tener un objeto data.frame que el tipo que identifica las bases de datos.

Construcción

Para construir una base de datos, se debe definir las variables que representan las columnas, y el contenido de cada variable son la representación en cada fila, es importante que todas las variables tengan el mismo tamaño para construir una base de datos consistente.

years <- 1980:2019
nombre <- sample(c("Luisa","Andrés","Camilo","Natalia"),
                 size = 40,replace = T)
peso <- round(rnorm(40,60,5),2)
estatura <- ifelse(nombre=="Luisa",1.56,
                   ifelse(nombre=="Andrés",1.78,
                          ifelse(nombre=="Camilo",1.70,1.68)))
imc <- round(peso/estatura^2,2)

Cada variable está asignada de manera independiente, aún no es una base de datos. Para que cumpla con la condición de base de datos es necesario que cada fila de cada variable represente una medición, es decir, si la primera posición del nombre es Camilo entonces las primera posición de las variables year, peso, estatura y imc deben corresponder a Camilo.

Para construir la base de datos, se usa el comando data.frame.

args(data.frame)
## function (..., row.names = NULL, check.rows = FALSE, check.names = TRUE, 
##     fix.empty.names = TRUE, stringsAsFactors = default.stringsAsFactors()) 
## NULL
(datos <- data.frame(years, nombre, peso, estatura, imc))
str(datos)
## 'data.frame':    40 obs. of  5 variables:
##  $ years   : int  1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 ...
##  $ nombre  : Factor w/ 4 levels "Andrés","Camilo",..: 4 1 1 4 4 4 3 1 3 4 ...
##  $ peso    : num  55.8 67.9 65.3 61.5 60.6 ...
##  $ estatura: num  1.68 1.78 1.78 1.68 1.68 1.68 1.56 1.78 1.56 1.68 ...
##  $ imc     : num  19.8 21.4 20.6 21.8 21.5 ...

Con la base de datos creada se puede manipular más fácil, para ingresar a las filas y columnas se trabaja similar a las matrices.

datos[,1]
##  [1] 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993
## [15] 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
## [29] 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
datos[,"nombre"]
##  [1] Natalia Andrés  Andrés  Natalia Natalia Natalia Luisa   Andrés 
##  [9] Luisa   Natalia Natalia Camilo  Camilo  Camilo  Andrés  Luisa  
## [17] Andrés  Natalia Andrés  Camilo  Camilo  Natalia Luisa   Camilo 
## [25] Luisa   Natalia Luisa   Luisa   Natalia Camilo  Luisa   Andrés 
## [33] Camilo  Natalia Luisa   Camilo  Camilo  Camilo  Luisa   Natalia
## Levels: Andrés Camilo Luisa Natalia
datos[8:24,]
datos[,c(1,3,5)]
datos[,c("years","imc")]

cargar base de datos

R maneja casi cualquier tipo de archivo de bases de datos, pero su formato de creación de base de datos es .Rds o .RData, en el paquete base y utilsexiste una colección de funciones para leer marcos de datos.

## [1] "read.dcf"     "readBin"      "readChar"     "readline"    
## [5] "readLines"    "readRDS"      "readRenviron" "Sys.readlink"
##  [1] "read.csv"         "read.csv2"        "read.delim"      
##  [4] "read.delim2"      "read.DIF"         "read.fortran"    
##  [7] "read.fwf"         "read.socket"      "read.table"      
## [10] "readCitationFile" "readClipboard"    "readRegistry"

Para cargar otras extensiones de bases de datos es necesario utilizar paquetes.

# Para otros Software de estadística (Minitab, SAS, Stata, SPSS)
install.packages("haven",dependencies = T)
install.packages("foreign",dependencies = T)

# Archivos de excel
install.packages("xlsx",dependencies = T) # Requiere Java
install.packages("readxl",dependencies = T)

# SQL
install.packages("sqldf",dependencies = T)

Para trabajar con SQL en R se recomienda leer el artículo de Josh Errickson y las notas de Data Carpentry.

La base de datos de el ICFES 2015-02 está disponible en Excel, todos los ejemplos que acontinuación se muestran se trabajan con esta base de datos.

library(xlsx)
library(readxl)

Icfes <- read.csv("ICFES20152.csv",sep = ",")

Si el archivo tiene la extensión .xlsx se utiliza los siguientes comandos:

# Con xlsx
Icfes <- read.xlsx(file = "ICFES20152.xlsx",sheetName = 1,encoding = "UTF-8")
Icfes <- read.xlsx2(file = "ICFES20152.xls",sheetIndex = 1)

# Con readxl
Icfes <- read_xlsx(path = "ICFES20152.xlsx")

Para cargar los archivos de esta manera es necesario que se encuentren alojados en la carpeta de trabajo que puede verificar con el comand getwd(), y para asignar una nuava ruta se utiliza el comando setwd(). Una función muy útil para buscar carpetas es choose.dir(), y para seleccionar una archivo específico file.choose().

Icfes
dim(Icfes)
## [1] 12162    24
length(Icfes)
## [1] 24
names(Icfes)
##  [1] "CODINST"                  "NOMBREINSTITUCION"       
##  [3] "CODIGOMUNICIPIO"          "NOMBREMUNICIPIO"         
##  [5] "DEPARTAMENTO"             "CALENDARIO"              
##  [7] "NATURALEZA"               "JORNADA"                 
##  [9] "EVALUADOS"                "PROMLECTURACRITICA"      
## [11] "PROMMATEMATICA"           "PROMSOCIALESYCIUDADANAS" 
## [13] "PROMCIENCIASNATURALES"    "PROMINGLES"              
## [15] "PROMRAZONAMIENTOCUANTITA" "PROMCOMPETENCIASCIUDADAN"
## [17] "DESVLECTURACRITICA"       "DESVMATEMATICA"          
## [19] "DESVSOCIALESYCIUDADANAS"  "DESVCIENCIASNATURALES"   
## [21] "DESVINGLES"               "DESVRAZONAMIENTOCUANTITA"
## [23] "DESVCOMPETENCIASCIUDADAN" "PERIODO"
head(Icfes,n = 3)
tail(Icfes,n = 3)
str(Icfes)
## Classes 'tbl_df', 'tbl' and 'data.frame':    12162 obs. of  24 variables:
##  $ CODINST                 : chr  "142133" "087445" "117127" "019109" ...
##  $ NOMBREINSTITUCION       : chr  "I.E. INTERNADO SAN RAFAEL DEL CARAPARANA - SEDE PRINCIPAL" "I.E. COLEGIO INDIGENA CASA DEL CONOCIMIENTO - SEDE PRINCIPAL" "I.E. INTERNADO INDIGENA SAN JOSÉ - SEDE PRINCIPAL" "I.E. ESCUELA NORMAL SUPERIOR MARCELIANO EDUARDO CANYES SANTACANA - SEDE PRINCIPAL" ...
##  $ CODIGOMUNICIPIO         : chr  "91263" "91405" "91407" "91001" ...
##  $ NOMBREMUNICIPIO         : chr  "EL ENCANTO" "LA CHORRERA" "LA PEDRERA" "LETICIA" ...
##  $ DEPARTAMENTO            : chr  "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
##  $ CALENDARIO              : chr  "A" "A" "A" "A" ...
##  $ NATURALEZA              : chr  "OFICIAL" "OFICIAL" "OFICIAL" "OFICIAL" ...
##  $ JORNADA                 : chr  "MAÑANA" "MAÑANA" "COMPLETA U ORDINARIA" "MAÑANA" ...
##  $ EVALUADOS               : num  21 38 31 89 134 75 14 18 45 61 ...
##  $ PROMLECTURACRITICA      : num  42.5 40.1 39.9 49.9 45.9 ...
##  $ PROMMATEMATICA          : num  42 40.2 39.5 47.6 44 ...
##  $ PROMSOCIALESYCIUDADANAS : num  43.7 41.3 38.8 50.3 47 ...
##  $ PROMCIENCIASNATURALES   : num  44.2 41.8 42.7 49.5 46.5 ...
##  $ PROMINGLES              : num  46 43.6 43.8 47.8 46.6 ...
##  $ PROMRAZONAMIENTOCUANTITA: num  41.8 40.3 39.7 48 45 ...
##  $ PROMCOMPETENCIASCIUDADAN: num  42 39 37.7 49.4 46.4 ...
##  $ DESVLECTURACRITICA      : num  5.78 6.01 5.98 7.94 7.88 6.22 6.28 9.65 6.6 8.02 ...
##  $ DESVMATEMATICA          : num  7.37 7.43 9.04 9.5 8.41 ...
##  $ DESVSOCIALESYCIUDADANAS : num  7.52 7.72 8.56 9.38 8.22 ...
##  $ DESVCIENCIASNATURALES   : num  5.94 5.23 5.32 6.81 6.44 ...
##  $ DESVINGLES              : num  6.72 4.48 5.42 7.49 6.13 ...
##  $ DESVRAZONAMIENTOCUANTITA: num  8.23 7.57 9.3 10.42 8.9 ...
##  $ DESVCOMPETENCIASCIUDADAN: num  7.1 7.27 6.77 8.95 8.24 ...
##  $ PERIODO                 : chr  "20152" "20152" "20152" "20152" ...
class(Icfes)
## [1] "tbl_df"     "tbl"        "data.frame"
class(Icfes$NOMBREMUNICIPIO)
## [1] "character"
summary(Icfes)
##    CODINST          NOMBREINSTITUCION  CODIGOMUNICIPIO   
##  Length:12162       Length:12162       Length:12162      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##  NOMBREMUNICIPIO    DEPARTAMENTO        CALENDARIO       
##  Length:12162       Length:12162       Length:12162      
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
##   NATURALEZA          JORNADA            EVALUADOS      PROMLECTURACRITICA
##  Length:12162       Length:12162       Min.   :  1.00   Min.   :28.00     
##  Class :character   Class :character   1st Qu.: 17.00   1st Qu.:44.74     
##  Mode  :character   Mode  :character   Median : 32.00   Median :48.19     
##                                        Mean   : 44.95   Mean   :48.66     
##                                        3rd Qu.: 60.00   3rd Qu.:51.77     
##                                        Max.   :987.00   Max.   :77.00     
##  PROMMATEMATICA   PROMSOCIALESYCIUDADANAS PROMCIENCIASNATURALES
##  Min.   : 24.50   Min.   :21.00           Min.   :25.00        
##  1st Qu.: 43.57   1st Qu.:43.98           1st Qu.:44.59        
##  Median : 48.00   Median :48.32           Median :48.47        
##  Mean   : 48.80   Mean   :48.64           Mean   :49.03        
##  3rd Qu.: 52.63   3rd Qu.:52.59           3rd Qu.:52.45        
##  Max.   :100.00   Max.   :83.00           Max.   :85.95        
##    PROMINGLES    PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN
##  Min.   :25.00   Min.   : 21.50           Min.   :22.00           
##  1st Qu.:45.27   1st Qu.: 44.05           1st Qu.:44.22           
##  Median :47.51   Median : 48.94           Median :48.13           
##  Mean   :49.63   Mean   : 49.67           Mean   :48.27           
##  3rd Qu.:51.27   3rd Qu.: 53.95           3rd Qu.:51.92           
##  Max.   :97.00   Max.   :100.00           Max.   :76.00           
##  DESVLECTURACRITICA DESVMATEMATICA   DESVSOCIALESYCIUDADANAS
##  Min.   : 0.000     Min.   : 0.000   Min.   : 0.000         
##  1st Qu.: 6.540     1st Qu.: 7.880   1st Qu.: 8.140         
##  Median : 7.470     Median : 9.020   Median : 9.060         
##  Mean   : 7.406     Mean   : 9.056   Mean   : 8.984         
##  3rd Qu.: 8.320     3rd Qu.:10.260   3rd Qu.: 9.970         
##  Max.   :21.920     Max.   :31.820   Max.   :28.000         
##  DESVCIENCIASNATURALES   DESVINGLES     DESVRAZONAMIENTOCUANTITA
##  Min.   : 0.000        Min.   : 0.000   Min.   : 0.00           
##  1st Qu.: 6.560        1st Qu.: 5.620   1st Qu.: 8.94           
##  Median : 7.580        Median : 6.840   Median :10.30           
##  Mean   : 7.541        Mean   : 7.501   Mean   :10.33           
##  3rd Qu.: 8.550        3rd Qu.: 8.940   3rd Qu.:11.76           
##  Max.   :20.510        Max.   :27.790   Max.   :32.19           
##  DESVCOMPETENCIASCIUDADAN   PERIODO         
##  Min.   : 0.000           Length:12162      
##  1st Qu.: 7.400           Class :character  
##  Median : 8.240           Mode  :character  
##  Mean   : 8.172                             
##  3rd Qu.: 9.080                             
##  Max.   :23.330

El operador $ sirve para extraer las variables del data.frame, siepre y cuando la base de datos posea nombres.

Guardar bases de datos

## [1] "write"      "write.dcf"  "writeBin"   "writeChar"  "writeLines"
## [1] "aspell_write_personal_dictionary_file"
## [2] "write.csv"                            
## [3] "write.csv2"                           
## [4] "write.socket"                         
## [5] "write.table"                          
## [6] "writeClipboard"
## [1] "write.xlsx"  "write.xlsx2"
## [1] "write_dta" "write_sas" "write_sav" "write_xpt"
## [1] "write.arff"    "write.dbf"     "write.dta"     "write.foreign"

Funciones del tipo apply

apply() Aplica la función sobre un la marginal de un arreglo o matriz.

(m <- matrix(c(1:10, 11:20), nrow = 10, ncol = 2))
##       [,1] [,2]
##  [1,]    1   11
##  [2,]    2   12
##  [3,]    3   13
##  [4,]    4   14
##  [5,]    5   15
##  [6,]    6   16
##  [7,]    7   17
##  [8,]    8   18
##  [9,]    9   19
## [10,]   10   20
apply(m, 1, mean)
##  [1]  6  7  8  9 10 11 12 13 14 15
apply(m, 2, mean)
## [1]  5.5 15.5
apply(m, 1:2, function(x) x/2)
##       [,1] [,2]
##  [1,]  0.5  5.5
##  [2,]  1.0  6.0
##  [3,]  1.5  6.5
##  [4,]  2.0  7.0
##  [5,]  2.5  7.5
##  [6,]  3.0  8.0
##  [7,]  3.5  8.5
##  [8,]  4.0  9.0
##  [9,]  4.5  9.5
## [10,]  5.0 10.0
apply(Icfes, 2, length)
##                  CODINST        NOMBREINSTITUCION          CODIGOMUNICIPIO 
##                    12162                    12162                    12162 
##          NOMBREMUNICIPIO             DEPARTAMENTO               CALENDARIO 
##                    12162                    12162                    12162 
##               NATURALEZA                  JORNADA                EVALUADOS 
##                    12162                    12162                    12162 
##       PROMLECTURACRITICA           PROMMATEMATICA  PROMSOCIALESYCIUDADANAS 
##                    12162                    12162                    12162 
##    PROMCIENCIASNATURALES               PROMINGLES PROMRAZONAMIENTOCUANTITA 
##                    12162                    12162                    12162 
## PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA           DESVMATEMATICA 
##                    12162                    12162                    12162 
##  DESVSOCIALESYCIUDADANAS    DESVCIENCIASNATURALES               DESVINGLES 
##                    12162                    12162                    12162 
## DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN                  PERIODO 
##                    12162                    12162                    12162
apply(Icfes[,9:18], 2, mean)
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                44.947788                48.655567                48.799209 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                48.636474                49.025593                49.633360 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                49.672010                48.267984                 7.406274 
##           DESVMATEMATICA 
##                 9.055529
apply(Icfes[,9:18], 2, sd)
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                43.843946                 5.573827                 7.580989 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                 6.649614                 6.260166                 7.269747 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                 8.120015                 5.730609                 1.731647 
##           DESVMATEMATICA 
##                 2.219776

by() Aplica la función sobre una división de una base de datos (data.frame) por un factor.

by(Icfes[,c(9:18)], Icfes$CALENDARIO, colMeans)
## Icfes$CALENDARIO: A
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                45.393267                48.601547                48.741677 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                48.589383                48.972063                49.514758 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                49.612257                48.229033                 7.436473 
##           DESVMATEMATICA 
##                 9.091584 
## -------------------------------------------------------- 
## Icfes$CALENDARIO: B
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                16.685864                52.229529                52.711885 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                51.758220                52.761885                56.728743 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                53.712199                50.859634                 5.469215 
##           DESVMATEMATICA 
##                 6.880628 
## -------------------------------------------------------- 
## Icfes$CALENDARIO: O
##                EVALUADOS       PROMLECTURACRITICA           PROMMATEMATICA 
##                47.566667                47.403333                46.788333 
##  PROMSOCIALESYCIUDADANAS    PROMCIENCIASNATURALES               PROMINGLES 
##                47.505333                46.544667                51.666667 
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN       DESVLECTURACRITICA 
##                47.733333                47.271667                 7.718667 
##           DESVMATEMATICA 
##                 8.551333

lapply() Aplica una función sobre una lista o un vector.

l <- list(a = 1:10, b = 11:20)
lapply(l, mean)
## $a
## [1] 5.5
## 
## $b
## [1] 15.5
lapply(l, sum)
## $a
## [1] 55
## 
## $b
## [1] 155

sapply() Aplica una función sobre una lista o un vector y si el resultado se puede simplificar en un formato más simple, lo hace.

l <- list(a = 1:10, b = 11:20)
sapply(l, mean)
##    a    b 
##  5.5 15.5
sapply(l, sum)
##   a   b 
##  55 155

vapply() Aplica la función sobre una lista y devuelve el resultado de acuerdo a un formato indicado.

l <- list(a = 1:10, b = 11:20)
lFivenum <- vapply(l, 
                   fivenum, 
                   c(Min. = 0, "1er Cuart." = 0, 
                     Mediana = 0, "3er Cuart." = 0, Max. = 0))
class(lFivenum)
## [1] "matrix"
lFivenum
##               a    b
## Min.        1.0 11.0
## 1er Cuart.  3.0 13.0
## Mediana     5.5 15.5
## 3er Cuart.  8.0 18.0
## Max.       10.0 20.0

replicate() Replica la ejecución de una función un número específico de veces.s

replicate(10, rnorm(10))
##               [,1]        [,2]       [,3]        [,4]        [,5]
##  [1,] -0.679106073 -0.63429793 -0.5161285  0.06359758 -0.60048576
##  [2,] -1.033342402  0.02816016 -0.6282392  0.52269093  0.20410456
##  [3,]  0.580961818  0.89425304 -2.4379253  0.94517057 -0.48596132
##  [4,] -0.423530606 -1.18488958  0.6767451  0.01624365  0.74774152
##  [5,]  1.397235558  1.36035967 -0.1857102  0.06532149  1.99814492
##  [6,] -0.841613930  0.96410939  0.9254311 -2.01482281  0.48715939
##  [7,]  0.002106105 -0.08440302 -0.6811199 -1.05777057  0.08886149
##  [8,] -0.465003842 -1.83935984 -1.1193892 -0.05949757  0.53616916
##  [9,]  0.091599957 -2.00911618  0.3329044  1.49262682 -1.39500117
## [10,]  0.347899629 -0.14968934 -1.7175699 -1.28581609  0.46920020
##              [,6]       [,7]        [,8]        [,9]        [,10]
##  [1,]  0.66779279  0.7538183 -0.09426471 -0.05742922  1.088817383
##  [2,] -0.24173249  1.3284700 -0.58959973  0.73152719  0.028274606
##  [3,] -1.17351775 -0.4225913  2.07169630  1.22337059  0.108823625
##  [4,] -0.77656468 -1.0189862 -0.77008606 -1.30944055 -1.160872035
##  [5,] -0.56456147  0.6359936 -0.18071370 -1.89966684 -0.929357250
##  [6,] -0.03968651 -0.2488187 -0.23587539 -1.35946716 -0.009182788
##  [7,] -0.03521451  0.8948709 -0.79876947 -0.75336301 -0.345620365
##  [8,]  0.74136704 -0.8162387  0.70327625  0.06116031 -1.908934284
##  [9,] -0.89256565 -1.4566021  0.01344354  0.27754651  0.197296958
## [10,] -0.06146452  0.8002173 -0.23024736  1.00492411 -0.675188961
replicate(8, mean(rexp(10)))
## [1] 1.4652841 1.7647448 0.2855864 0.7224558 0.9958164 0.7279284 0.9260494
## [8] 0.7483037

mapply() Es la versión multivariada de lapply y sapply. Aplica la función a los elementos correspondientes de múltiples listas.

l1 <- list(a = c(1:10), b = c(11:20))
l2 <- list(c = c(21:30), d = c(31:40))
mapply(sum, l1$a, l1$b, l2$c, l2$d)
##  [1]  64  68  72  76  80  84  88  92  96 100
mapply(sum, l1, l2)
##   a   b 
## 310 510
l2 <- list(c = c(21:30), d = c(31:40), z = c(31:50))
mapply(sum, l1$a, l1$b, l2$c, l2$z)
##  [1]  64  68  72  76  80  84  88  92  96 100  74  78  82  86  90  94  98
## [18] 102 106 110

tapply() Aplica la función sobre un vector, de acuerdo a una clasificación de la variable tipo factor.

tapply(Icfes$EVALUADOS, Icfes$JORNADA, mean)
## COMPLETA U ORDINARIA               MAÑANA                NOCHE 
##             37.73148             49.74110             34.91196 
## SABATINA - DOMINICAL                TARDE 
##             35.92033             53.13094
tapply(Icfes$PROMRAZONAMIENTOCUANTITA, Icfes$JORNADA, mean)
## COMPLETA U ORDINARIA               MAÑANA                NOCHE 
##             54.80120             49.65380             42.64660 
## SABATINA - DOMINICAL                TARDE 
##             42.56121             49.44264

Tidyverse

En el universo de tidyverse la programación vía tuberías es la principal novedad.

install.packages("dplyr",dependencies = T)
# Muestra aleatoria de resultados del ICFES
aux <- sample(dim(Icfes)[1],size = 2000)

library(dplyr)
Icfes2 <- tbl_df(Icfes[aux,])

Filtrar una base de datos

filter(Icfes2, DEPARTAMENTO == "ANTIOQUIA",
       NOMBREMUNICIPIO == "MEDELLIN")
Icfes2 %>% filter(DEPARTAMENTO == "ANTIOQUIA",
                  NOMBREMUNICIPIO == "MEDELLIN")

Selección de posiciones específicas de una base de datos

slice(Icfes2, 100:150)
Icfes2 %>%
  slice(100:150)

Ordenar la base de datos

arrange(Icfes2, DEPARTAMENTO)
arrange(Icfes2, DEPARTAMENTO, NOMBREINSTITUCION)
arrange(Icfes2, PROMLECTURACRITICA)
arrange(Icfes2, desc(PROMLECTURACRITICA))
Icfes2 %>% 
  arrange(DEPARTAMENTO, desc(PROMLECTURACRITICA))

Seleccion de columnas

select(Icfes2, NOMBREMUNICIPIO, DEPARTAMENTO, PROMLECTURACRITICA)
Icfes2 %>%
  select(NOMBREMUNICIPIO, DEPARTAMENTO, PROMLECTURACRITICA)

Elementos o registros únicos

distinct(select(Icfes2, DEPARTAMENTO))
Icfes2 %>% 
  select(DEPARTAMENTO) %>% 
  distinct()

Adicionar una nueva columna

mutate(Icfes2,promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)
Icfes2 %>% 
  mutate(promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)
transmute(Icfes2,promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)
Icfes2 %>% 
  transmute(promTotal=(PROMLECTURACRITICA+PROMMATEMATICA+PROMINGLES)/3)

Resumir variables o consolidar valores

summarise(Icfes2, mean(PROMMATEMATICA))
Icfes2 %>% 
  summarise(mean(PROMMATEMATICA))

Agrupación

group_by(Icfes2, DEPARTAMENTO)
Icfes2 %>% 
  group_by(DEPARTAMENTO)

Combinación de “verbos” en base de datos

agrupados_deptos <- group_by(Icfes2, DEPARTAMENTO)
promedio_depto <- summarise(agrupados_deptos, mean(PROMMATEMATICA))
promedio_depto

Mediante encadenamiento de verbos

Icfes2 %>% 
  group_by(DEPARTAMENTO) %>% 
  summarise(mean(PROMMATEMATICA))

Combinación de manejo de datos

Icfes2 %>%
  mutate(promTotal = rowMeans(.[10:16])) %>%
  group_by(CODIGOMUNICIPIO) %>%
  arrange(desc(promTotal)) %>%
  select(NOMBREINSTITUCION, NOMBREMUNICIPIO, DEPARTAMENTO, promTotal) %>%
  slice(1:3)

¿Cuántas Instituciones Educativas tiene cada municipio?

Icfes2 %>%
  group_by(CODIGOMUNICIPIO, NOMBREMUNICIPIO, DEPARTAMENTO) %>%
  summarise(n = n()) %>%
  select(DEPARTAMENTO, NOMBREMUNICIPIO, n) %>%
  group_by(DEPARTAMENTO) %>%
  arrange(desc(n))
library(ggplot2)
Icfes2 %>% 
  ggplot(aes(x = PROMLECTURACRITICA,y = PROMMATEMATICA,
             fill=JORNADA,colour=JORNADA))+
  geom_point()

Icfes2 %>% 
  ggplot(aes(y = PROMMATEMATICA,x=DEPARTAMENTO,
             fill=DEPARTAMENTO))+
  geom_boxplot()+ theme(legend.position = "none",
                        axis.text.x = element_text(angle = 90))

Cristian Santa

Abril de 2019